基于改進的粒子群算法的圖像分類技術(shù)研究.pdf

1、近年來，支持向量機作為一種常用的、性能優(yōu)良的分類器，在圖像分類領(lǐng)域得到了廣泛的應(yīng)用。同時，支持向量機的參數(shù)優(yōu)化問題一直是個難點，參數(shù)選取對于SVM的分類性能有較大影響。粒子群優(yōu)化算法作為一種群體智能優(yōu)化算法，對于參數(shù)尋優(yōu)有很好的效果。本文主要從支持向量機的分類速度、粒子群算法的尋優(yōu)能力以及圖像分類性能三個方面進行研究，研究內(nèi)容如下：
　　1.提出了一種快速交叉核支持向量機算法，它采用變換交叉核函數(shù)的計算方法將預(yù)測時的分類時間復(fù)雜度

2、從O(m?n)降低為O(n?log m)。
　　2.針對粒子群算法的“早熟收斂”問題，分析了其陷入局部最優(yōu)的原因，提出了一種變異粒子群算法，使粒子在迭代過程中以一定概率隨機變異，增強了粒子在迭代末期的全局搜索能力，防止“早熟收斂”。
　　3.受量子粒子群算法的啟發(fā)，討論了量子粒子群算法性能優(yōu)越的原因及其存在的問題，提出了一種基于正態(tài)分布的粒子群算法。在粒子速度更新中，加入正態(tài)分布函數(shù)，使得粒子的速度分布服從正態(tài)分布，相比于量

3、子粒子群算法粒子分布更加合理。在標(biāo)準(zhǔn)測試函數(shù)中，本文算法取得了較好的效果，在優(yōu)化支持向量機的參數(shù)實驗中結(jié)合粒子群變異算法，得到了遠(yuǎn)高于標(biāo)準(zhǔn)粒子群算法和量子粒子群算法收斂速度及收斂能力。
　　4.在不平衡數(shù)據(jù)的圖像分類問題中，使用支持向量機對少數(shù)類的分類預(yù)測準(zhǔn)確率很低。本文運用加權(quán)支持向量機（快速交叉核）來提高分類性能，同時使用本文提出的改進的粒子群算法來解決由此帶來的優(yōu)化參數(shù)過多的問題。該算法在Caltech101、Pascal